Эволюционный алгоритм с механизмом снижения размерности на основе автоэнкодеров

Многие современные прикладные задачи оптимизации формулируются как модели «чёрного ящика», для которых характерно отсутствие аналитической информации о целевой функции и её свойствах. Эволюционные алгоритмы стали популярным инструментом для решения подобных задач, однако их эффективность существенно снижается в задачах высокой размерности со сложной топологией пространства поиска. Вместе с тем, для эффективной работы такие алгоритмы требуют генерацию большого числа пробных решений, что может быть недостижимо в приложениях с дорогостоящей оценкой целевой функции. Для преодоления этих ограничений в работе представлен новый подход к эволюционной оптимизации. Его ядром является адаптивная процедура снижения размерности на основе автоэнкодера, который динамически обучается на основе данных популяций, полученных в ходе оптимизации. Стратегия основана на параллельной работе двух алгоритмов оптимизации: один исследует исходное пространство, а другой – латентное пространство, строящееся автоэнкодером как компактное нелинейное отображение текущей популяции. Такой подход позволяет алгоритму гибко подстраиваться под структуру конкретной задачи. Проведён анализ эффективности предложенного метода на наборе эталонных задач, исследованы сходимость алгоритма на разных стадиях эволюционного процесса и зависимость от выбора размерности сжатого пространства. Полученные результаты обработаны с помощью статистического критерия Манна – Уитни – Уилкоксона. В качестве метода оптимизации субпопуляций использован алгоритм L-SRTDE. В результате численных экспериментов было установлено, что предложенный алгоритм стимулирует более эффективное исследование пространства поиска на начальных этапах оптимизации, но в среднем незначительно уступает в эффективности базовому алгоритму.